Es wird erwartet, dass die Projektergebnisse zu allen folgenden erwarteten Ergebnissen beitragen werden:

• Das Wissen über risikoreiche Stellen im Straßennetz wird verfügbar, bevor es zu Unfällen kommt, so dass die Straßenverkehrsbehörden proaktiv geeignete Gegenmaßnahmen ergreifen können;
• Vorausschauende Identifizierung von sicherheitskritischen Situationen auf der Grundlage von Daten aus verschiedenen Quellen und Ermöglichung von Echtzeit-Eingriffen zur Vermeidung von Unfällen;
• Bestimmung der optimalen Stichprobengröße, um eine zuverlässige Vorhersage des Unfallgeschehens in Echtzeit zu ermöglichen;
• Verbesserte Überwachung des Verkehrsflusses und Einbeziehung von Schwankungen und Mustern des Verkehrsflusses in die Vorhersage von Unfällen in Echtzeit. Dies wird auch zu einem effektiveren Verkehrsmanagement führen, da unerwartete oder störende Ereignisse vorhergesehen werden können.

Einer der Grundsätze des Safe-System-Ansatzes besteht darin, von einem hauptsächlich reaktiven zu einem proaktiven Management der Straßenverkehrssicherheit überzugehen, d.h. den Bedarf an Interventionen nicht in erster Linie aus Unfalluntersuchungen abzuleiten, sondern einzugreifen, bevor es zu schweren Unfällen kommt. Die allgegenwärtige Erfassung immer größerer Datenmengen und deren Verarbeitung im digitalen Verkehrssystem unterstützen diese Idee und liefern wertvolle Informationen über Verkehrssituationen und -ereignisse. Potenzielle Datenquellen sind u.a.: Smartphones, Wearables, vernetzte Fahrzeuge, Drohnen, straßenseitige Sensoren (z.B. Kamera, Radar), etc. Fortschritte bei der Rechenleistung, der Genauigkeit von Ortungsdiensten und der Videoanalyse sind weitere Voraussetzungen für die Verarbeitung und Analyse solcher Daten, um sicherheitskritische Situationen oder Konflikte auf der Grundlage von Ersatz-Sicherheitsmetriken zu identifizieren.

Bei der Modellierung von Unfallvorhersagen hat künstliche Intelligenz das Potenzial, das zugrundeliegende Risiko und die komplexen Beziehungen zwischen großen und vielfältigen Datensätzen zu erkennen, was wiederum zur Identifizierung von Faktoren führen könnte, die zu einem Unfall beitragen, und deren Zusammenhänge. Die Identifizierung dieser Risikofaktoren könnte dann die Vorhersage sicherheitskritischer Situationen mit quantifizierbarem Risikoniveau ermöglichen und die proaktive Umsetzung von Maßnahmen zur Unfallvermeidung anleiten, wie sie unter anderem vom Internationalen Verkehrsforum der Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD) vorgeschlagen wurden. Im Idealfall wären die Maßnahmen in Echtzeit durchführbar und würden die Sicherheit aller Verkehrsteilnehmer erhöhen.

Die Vorschläge sollten alle folgenden Aspekte berücksichtigen:

• Entwicklung eines durch künstliche Intelligenz (KI) unterstützten digitalen Zwillings von Verkehr und Infrastruktur. Dieser würde historische, aktuelle und prognostizierte Daten integrieren, einschließlich Crowdsourcing- und Infrastruktursensoren, Infrastrukturtopologie und -zustand sowie Umweltdaten (z.B. lokales Wetter und Sicht) und Straßen- und Verkehrsbedingungen. Ein solcher digitaler Zwilling kann es ermöglichen, sowohl die Sicherheit als auch den Verkehrsfluss zu überwachen und präventiv zu optimieren und dabei Stau- und Resilienzprobleme gleichermaßen anzugehen. Dabei könnten Ergebnisse aus bestehenden Projekten wie OMICRON^[1] berücksichtigt werden. Die Vorschläge sollten auch die Möglichkeit und den Nutzen anderer Datentypen untersuchen, wie z.B. soziodemografische und wirtschaftliche Daten, Daten über das Fahrverhalten, Daten von Sicherheitskameras und andere, die von Dritten bereitgestellt werden könnten (Tourismus, geplante Veranstaltungen, Nachfrage usw.);
• Analysieren Sie im Detail die technischen Herausforderungen, die mit der Erfassung und Nutzung angemessener und zuverlässiger Big Data von mehreren Sensoren im Straßenverkehrssystem verbunden sind, sowie den Prozess der Kombination dieser Datensätze in einer Weise, die für eine proaktive Analyse der Straßenverkehrssicherheit sinnvoll ist;
• Entwicklung von Methoden und Werkzeugen zur Vorhersage von sicherheitskritischen Verkehrssituationen mit quantifizierbaren Risikostufen auf der Grundlage von Echtzeit- und historischen Daten;
• Berücksichtigen Sie Verzerrungen in den Datensätzen und stellen Sie sicher, dass die entwickelten KI-basierten Modelle oder Algorithmen frei von Verzerrungen sind, damit die Sicherheit aller Verkehrsteilnehmer auf faire, nicht diskriminierende Weise effektiv verbessert wird;
• Analysieren Sie im Detail auch die nicht-technischen Herausforderungen, die mit diesem Ansatz verbunden sind, sowie die inhärente Notwendigkeit, große Datenmengen zu sammeln und zu teilen, die zur Identifizierung und Quantifizierung von Risikofaktoren im Zusammenhang mit der Straßenverkehrssicherheit verwendet werden können. Es sollten ethische, rechtliche und wirtschaftliche Fragen berücksichtigt und Konzepte entwickelt werden, um diese Herausforderungen in Bezug auf den Datenschutz, Fragen des Dateneigentums, organisatorische Hindernisse usw. zu überwinden;
• Analysieren Sie, welche Gegenmaßnahmen in Echtzeit ergriffen werden können, um das momentane Risikoniveau für alle Verkehrsteilnehmer zu senken, und zwar ergänzend zu den bestehenden IVS-Diensten (Intelligent Transport Systems);
• Demonstrieren Sie die Machbarkeit solcher Risikovorhersagen und gezielter Interventionen;
• Erzielen Sie einen Konsens zwischen den relevanten Interessengruppen über mögliche Routen für die Einführung in Koordination mit anderen ITS-Diensten.

Besondere Aufmerksamkeit sollte der Festlegung von Interoperabilitätsstandards für die gemeinsame Nutzung von Daten gewidmet werden, und zwar durch die Umsetzung der FAIR-Prinzipien (Findable, Accessible, Interoperable and Reusable) und die Nutzung bereits eingeführter Praktiken, insbesondere derjenigen in den relevanten gemeinsamen europäischen Datenräumen.

Es sollten auch Möglichkeiten zur Nutzung wertvoller ergänzender Daten, z. B. Metadaten aus Unfalldatenbanken, sowie Verbindungen zu Initiativen für europäische Datenräume untersucht werden.

Es wird erwartet, dass die Forschung Empfehlungen für Aktualisierungen der relevanten Standards und rechtlichen Rahmenbedingungen entwickelt. Eine internationale Zusammenarbeit wird empfohlen, insbesondere mit Projekten oder Partnern aus den USA, Japan, Singapur und Australien. Wissen und Erfahrungen aus anderen Bereichen, in denen ähnliche Ansätze in einem viel kontrollierteren Umfeld verfolgt werden, sollten genutzt werden.

[1] https://cordis.europa.eu/project/id/955269